Aquí hay un enfoque con el que quizás quiera comenzar.
- Cree funciones para cada película en su conjunto de entrenamiento y prueba. Estas características pueden ser año, calificación, alguna forma cuantificada de género, actor, etc.
- Agrupe todas las películas en un cierto número de grupos usando XMeans de Weka (XMeans o EM) según las características
- Si el usuario indica que le gusta una película específica, recomiéndele otra película del mismo grupo que la primera película.
Es posible que desee buscar otros paquetes como Apache Mahout también para obtener más opciones de recomendación, si no está decidido a usar Weka. Aquí hay una guía para crear uno en su sitio web: aprendizaje automático escalable y minería de datos.
Otro recurso para aprender los fundamentos de los sistemas de recomendación es este capítulo sobre los sistemas de recomendación de A Programmer’s Guide to Data Mining.
- ¿Cuál es la diferencia entre la recuperación de información normal y los sistemas de recomendación?
- ¿Es legal el raspado web para hacer aprendizaje automático?
- ¿Cuál es la ventaja de tener en cuenta la curvatura al optimizar las redes neuronales profundas?
- En los algoritmos de aprendizaje automático, ¿por qué la función sigmoidea se usa principalmente y no funciones como tanh (x)? En tanhx por ej. parece dividir el eje y de manera uniforme y aplanarse rápidamente a medida que x se aproxima a +/- infinito. El rango es: sigmoide [0-1] y tanh (x) [-1,1].
- ¿Es más probable que una máquina que no ha otorgado un premio mayor otorgue uno que una máquina que acaba de otorgar un premio mayor?
